Akıllı araba dönüş algoritması iyileştirme biriminin optimize edilmiş tasarımı
0 Önsöz
Google'ın Boston Dynamics tarafından sunulan Handle adlı yeni piyasaya sürülen tekerlekli robot yeni zirvelere ulaştı. Aslında, bu akıllı robot çeşitli sensör edinim modülleri, çevre algılama ve insan-bilgisayar etkileşimi modülleri ile donatılmıştır. Farklı yol koşulları, farklı virajlarda farklı kavislere neden olur. Keskin dönüşlerde doğru algılama ve işlemenin nasıl sürdürüleceği her zaman araştırmanın odak noktası olmuştur.
Akıllı bir arabanın dönüş kontrolü karmaşık bir kontrol sürecidir.Karşılık gelen bir matematiksel model oluşturmak için, klasik PID algoritması tek başına yeterince doğru değildir ve doğru bir şekilde ölçmek ve tahmin etmek zordur. Bu nedenle, bu makale transfer işlevinden sonra seri olarak dinamik bir test düzeltme modülü önermektedir.
Akıllı araba keskin dönüşler altında istikrarlı, hızlı ve güvenli bir sürüş sürdürmek istiyorsa, bu esas olarak aracın hareket kontrolü üzerinde gerçek zamanlı izleme ve geri bildirim yapıp yapamayacağını yansıtır. Test edilen arabanın çevresi karmaşık ve değişken olduğundan, aydınlatma koşulları, yol sıcaklığı, kendi yapısından kaynaklanan göreceli hareket farkı ve sürtünme katsayısı, akıllı arabaların getirdiği parametre değişikliklerine, çapaklara ve hatta kör noktaların algılanmasına neden olacaktır. Otomobilin dönüş kontrolü altında tek taraflı olarak özelleştirilmiş kontrol stratejisinin, pistten fırlayacak şekilde genel operasyon sürecinin stabilitesine ve zamanında sapmasına neden olacağı göz önüne alındığında, aracı yapmak için karmaşık ve değiştirilebilir ortam için makul bir kontrol stratejisi telafi modülü sentezlenir. Viraj ortamında, toplanan sinyali yalnızca güvenilir ve sabit tutmakla kalmaz, aynı zamanda eğri üzerindeki tutum ve kontrolü hızlı, verimli ve doğru bir şekilde ayarlayabilir.
2 Sistem donanımı
2.1 Ana denetleyici modülü
Bu sistemde kullanılan ana denetleyici, yüksek performans, düşük güç tüketimi, gerçek zamanlı uygulamalar ve yüksek maliyet performansı avantajlarına sahip, STMicroelectronics tarafından tasarlanan Cortex-M3 çekirdek mimarisine dayalı STM32F107 gömülü çiptir. Çip, 256 KB Flash, 64 KB SRAM ve çeşitli çevre birim arabirimleri (I2C, SPI, USART, CAN, USB, zamanlayıcı, DMA denetleyicisi, ADC, PWM) ile gömülüdür, JTAG ve SWD hata ayıklama arabirimlerini destekler ve en yüksek frekansa sahiptir 72 MHz'e kadar. Çipin zengin yonga kaynakları, yonga üzerinde çevre birimleri ve doğru ve verimli bilgi işlem yetenekleri, onu sistem gereksinimleri için çok uygun hale getirir.
2.2 Güç Yönetimi Modülü
Sistemin toplam güç kaynağı 12 V lityum pildir.Motor sürücü yongası TB6612FNG yongasını kullanır.Sistem gerilimi LM2596T anahtarlama voltaj düşüşü dönüştürücü tarafından 5 V'a dönüştürülür ve daha sonra doğrusal sabit gerilim modülü AMS1117 aracılığıyla 3,3 V'a çıkarılır ve dönüştürme yongası tarafından 5'e dönüştürülür. V ve 3,3 V'den sonra, sistemin çeşitli modüllerine sağlanırlar. Güç devresi şeması Şekil 1'deki gibi gösterilmiştir.
2.3 Tutum sensörü devre tasarım modülü
Bu sistemde kullanılan MPU6050, 3 eksenli bir jiroskop, 3 eksenli bir ivmeölçer ve genişletilebilir bir dijital hareket işlemcisi DMP'yi entegre eden 6 eksenli bir sensör çipidir.Üç 16-bit ADC kanalı, ivmeölçeri ve jiroskopu ölçer. Analog sinyal, ölçülen verilerin çıkış doğruluğunu sağlayan çıkış için dijital bir sinyale dönüştürülür. Kullanıcı, sensörün menzilini gerçek ihtiyaçlara göre kontrol edebilir ve otomobilin tutumundaki değişikliği doğru bir şekilde takip edebilir. MPU6050, ivmeölçer ve jiroskop verilerinin kendi DMP programlaması aracılığıyla otomatik olarak işlenmesini gerçekleştirerek ana kontrol yongası STM32'nin hesaplama yükünü azaltır. Ana yonga ve MPU6050 sensör devresi bağlantı şeması Şekil 2'de gösterilmektedir. MPU6050 sensörü, daha yüksek bir aktarım hızıyla I2C veri yolu üzerinden ana yonga ile iletişim kurar.
2.4 Motor sürücü modülü
DC motorlar, büyük tork, iyi yük performansı, hızlı tepki hızı, kararlı hareket, düşük gürültü vb. Avantajlara sahiptir, bu da DC motorları mobil robotlar alanında giderek daha yaygın olarak kullanılır hale getirir.En yaygın sürüş yöntemi, darbe dizisinin periyodunu değiştirmektir. Ve motor voltajını kontrol etmek için görev döngüsü. Bu sistemin motor sürücü çipi, L298N'den daha verimli ve daha düşük ısı üretimine sahip çift kanallı çıkışa sahip TB6612FNG'yi benimser. 4 motor kontrol modu: ileri, geri, fren, durdur ve STM32F107 çıkış PWM darbe sinyali ile motor hızını ayarlayın . Motor sürücü modülünün şematik diyagramı Şekil 3'te gösterilmektedir.
3 Algoritma optimizasyonu
Sistem dönerken, çok zengin yüksek frekanslı bileşenler içerdiğinden, ölçülen sinyal çok hızlı değişir. Jiroskobun dinamik tepkisi hızlı değişiklikleri karşılasa da, hataları biriktirmek kolaydır. Sensörün çıkış sinyalini ayarlamak ve iyileştirmek istiyorsanız, birincil enstrümanın dinamik özelliklerini gerçek zamanlı olarak izlemek için mikroişlemci algılama sisteminde referans olarak sinyal işleme yöntemini kullanabilirsiniz. Dinamik karakteristik kademeli iyileştirme modülünü içeren algılama sisteminde, sinyal dengeleme ve düzeltme yöntemi, analog sinyal çıkışını algılama ucu tarafından gerçek zamanlı olarak almak ve analiz etmek ve işlemek, orta ucun genlik-frekans karakteristiğinin etki aralığını belirli bir dereceye kadar genişletmek ve araba sisteminin kontrolünü artırmak için kullanılır. Etkili koşullandırma oranı.
Yukarıdaki ilkeye dayanarak, birincil sayacın geçici özelliklerini iyileştirmek için jiroskop ile seri olarak bağlanabilen bir ağ tasarlanır, böylece, geliştirilmiş algoritma ağıyla eşleşen birincil ölçerin genlik-frekans özellikleri, işlenmemiş düz bölümden daha uzun olur. Revize edilen fikir, Şekil 4'te gösterilmektedir.
Standart olarak bilinen bir döndürme giriş sinyali, jiroskobun etkin bant genişliğinin yetersiz çıkarılması nedeniyle spektral çıkış distorsiyonu üretir.Bu nedenle, deformasyon sinyali kademeli dinamik özellikler iyileştirme ağı ölçüm ve kontrol devresi modülüne eklenir ve ardından çıkış, birincil enstrüman ters modeline yaklaşmak için belirli parametrelerle optimize edilir. Düzeltme amacına ulaşmak için orijinal sinyalin ofsetini nötrleştirmek için. Orijinal birincil enstrüman çıktısının Laplace dönüşümü ve girdinin Laplace dönüşümü, ölçülebilir doğrusal bölümü H (s) 'den genişleten dinamik bir karakteristik modül F (s) ile kademelendirilir.Modülün genel yeni transfer fonksiyonu:
Tazminat ilkesi Şekil 5'te gösterilmektedir.
Birincil cihaz geçici iyileştirme ağı, bulanık sinirsel uyarlamalı optimizasyonu gerçekleştirmek için bulanık sinir çıktısını ve birincil araç geçici kalibrasyon sinyalinin teorik giriş farkını e (n) birleştirir.
Standart birincil enstrüman geçici sinyali q (n) ile temsil edilir ve iyileştirilecek birincil enstrüman geçici çıkışı X (n) ile temsil edilir. Bulanık sinir ağının P (n) çıkışının sırası k olarak ayarlanır ve çıktı:
Ana bilgisayardaki bulanık fonksiyon eğitimi ile elde edilen optimal değere göre, bu bulanık sinir ağının üyelik fonksiyonu matrisi için k = 12, m = 12. w, U matrisinin sütun vektörü, U'daki elemanlardan oluşur:
Şekil 6, geliştirilmiş bir tazminat ağının bir akış şemasıdır.
En tipik birincil enstrüman yaklaşık olarak ikinci dereceden bir sistemdir ve transfer işlevi şu şekilde ifade edilebilir:
MATLAB platformunda, sensörün verilerle 300 kez eğitilmesinden sonra, aletin dinamik özellikleri zaman alanı yanıtından önce ve sonra geliştirilebilir. Her bir birimin frekans bileşenlerine birincil sayacın yanıt çıkışını daha iyi tespit etmek için, izleme tarama yöntemi, Şekil 7'de gösterildiği gibi, sistemin genlik-frekans özelliklerini elde etmek için koşullandırmadan önce ve sonra modüllerin dinamik özelliklerini elde etmek için kullanılabilir, burada w ölçülen sinyaldir. Frekans, wo doğal frekanstır ve frekans oranı 0.3 içinde iyi bir ölçüm doğruluğuna sahiptir.
4. Sonuç
Bu makale, hızlı dönüş için akıllı arabanın yükseltilmiş versiyonunun bulanık uyarlamalı PID kontrol algoritmasını incelemektedir.Bu algoritma, geleneksel hızlı sürüşün devrilmesinin kolay olduğu durumu iyileştirmektedir. Simülasyon sonuçları, telafi modülünün eklenmesiyle birlikte yeni algoritmanın dönüş duruşunu etkili bir şekilde koruyabildiğini ve genel doğruluğun geleneksel tek bulanık PID algoritmasından daha yüksek olduğunu göstermektedir. Bir sonraki araştırmanın odak noktası, küçük duruşun nasıl daha fazla düzeltileceğidir.
Referanslar
En son robot Niu bir karışıklık yaşadı (Google'ın bir yan kuruluşu olan Boston Dynamics). (2017-03-14). Https://www.suilengea.com/show/zcndmhmhgmh.html.
Liu Yijiang, Meng Lifan, Zhang Zhijie.Genetik algoritmalara dayalı sensörlerin dinamik özelliklerini iyileştirmek için bir yöntem. Journal of Transducer Technology, 2013, 26 (9): 1248-1253.
Li Jinming, Yan Xiaojun, Jiang Xudong ve diğerleri.Sobel görüntü kenarı algılama algoritmasının optimizasyon tasarımı ve uygulaması.Elektronik Teknoloji Uygulaması, 2016, 42 (3): 71-73, 77.
Wang Zhenyun. RT-Thread ve STM32'ye dayalı iki tekerlekli kendi kendini dengeleyen bir robotun tasarımı ve uygulaması. Taiyuan: Çin Kuzey Üniversitesi, 2016.
Wang Xianghao. Akıllı arabada bulanık PID kontrol algoritmasının araştırılması ve uygulanması Hefei: Hefei University of Technology, 2009.
Wu Quanyu, Zhang Xiaodong, Chao Xiaoqi ve diğerleri.Klasik PID algoritmasına dayalı akıllı araba sistemi araştırması Otomasyon ve Enstrümantasyon, 2011 (1): 25-26.
Li Jinming, Xie Xuyu, Ma Youchun, vb FPGA'ya Dayalı FIR Filtre Sisteminin Tasarımı Kimyasal Otomasyon ve Enstrümantasyon, 2011 (8): 943-946.
SOORKI M N, TALEBI H A, NIKRAVESH S K Y. Aktif engellerden kaçınma özelliğine sahip birden fazla mobil robotun lider takip eden formasyon kontrolü. 19. İran Elektrik Mühendisliği Konferansı, ICEE 2011, 2011: 1-6.
Liu Tao, Lu Yong, Liu Lishuang.Akıllı araba yolu tanıma ve kontrol performansı iyileştirme yöntemlerinin araştırılması ve uygulanması. Elektronik Teknoloji Uygulaması, 2016, 42 (1): 54-57.
Miao Wei, Li Changxi, Wu Cong. Değiştirilmiş tornalama modeline dayalı etkileşimli çok modelli izleme algoritması Modern Savunma Teknolojisi, 2015 (3): 113-118.
Li Gen. STM32'ye dayanan akıllı ve güvenli sürüş kontrol sistemi Tianjin: Tianjin Mesleki ve Teknik Normal Üniversitesi, 2016.
Wang Jianping, Lu Shan, Wu Huanhuan DC Motor Kontrol Tasarımında TB6612FNG Uygulaması Elektronik Tasarım Mühendisliği, 2010 (6): 65-67.
Liao Xianhao. Intelligent Car Curve Control Araştırma ve Uygulaması Chongqing: Chongqing Üniversitesi, 2014.
yazar bilgileri:
Jiang Shuai 1, 2, Meng Lifan 1, 2, Li Jinming 1, 2, Ma Lin 1, 2, Hou Tianxi 1, 2
(1. Eyalet Anahtar Elektronik Test Laboratuvarı, Kuzey Çin Üniversitesi, Taiyuan 030051, Shanxi;
2. Eğitim Bakanlığı'nın Enstrüman Bilimi ve Dinamik Test Temel Laboratuvarı, Çin Kuzey Üniversitesi, Taiyuan, Shanxi 030051)
